Datenversteher und Analytics-Übersetzer: 3 Thesen zu Daten

„Datenversteher verzweifelt gesucht“ hieß es letztens im Handelsblatt. Ein Artikel in der Presse sprach davon, dass „Digitalversteher“ gebraucht werden. In Fachzeitschriften wie bspw. dem Harvard Business Review taucht immer wieder der Begriff „Analytics Translator“ auf. Beim Lesen solcher Texte treten unweigerlich Fragen auf: Sind das alles unterschiedliche Rollen? Welche Fähigkeiten braucht es um mit Daten, Business Intelligence und Analytics Mehrwert zu schaffen?

Dieser Beitrag ist der erste einer Serie, welche diesen Fragen nachgeht. Basierend auf 3 Thesen zu Daten, stelle ich Leitfragen, mittels derer die Vielfältigkeit des Themas klar gemacht wird. Zudem helfen die Fragen den Bezug zur eigenen Ausgangsposition herzustellen bzw. diese zu definieren.

These 1: Daten können Mehrwert liefern, müssen sie aber nicht

Fast schon überstrapaziert, aber doch interessant: Die immer größere Menge an Daten, welche in immer kürzerer Zeit global produziert wird bzw. verfügbar ist.

Auch wenn interessant, sollte die wesentliche Erkenntnis obiger Animation nicht sein, dass Netflix User viele Stunden Videos streamen (Netflix beansprucht mittlerweile 15% der globalen Bandbreite), sondern, dass:

• Es wesentlich mehr Daten gibt, als wir (Menschen) verarbeiten können
• Nicht alle der verfügbaren Daten für uns relevant sind

Daher müssen die verfügbaren Daten nach den relevanten Daten (relevant bspw. im Rahmen einer Entscheidungsfindung) gefiltert werden.

Sucht man z.B. nach einem neuen Auto, gibt es die unterschiedlichsten Kriterien (Hersteller, Art/ Aufbauform des Autos (Limousine, Kombi, Van,…), Antriebs- bzw. Kraftstoffart (Benzin, Diesel, Strom),…), welche die Entscheidung beeinflussen. Nachdem die Wahl vielleicht auf einen Kombi fällt, sind dementsprechend Testberichte von Coupés nicht mehr relevant. Sie beantworten nicht die richtigen Fragen.

Ähnlich verhält es sich im Unternehmenskontext. Theoretisch stehen immer mehr Daten zur Verfügung (Lieferantendaten, Produktdaten, Kundendaten, externe Daten,…), die ausgewertet und analysiert werden können. Deren Speicherung ist mittlerweile nicht mehr das Problem. Speicher kann zu geringen Kosten schnell skaliert werden. Die Zeit für Analyse, Aufbereitung, Interpretation und Ableitung von Maßnahmen ist jedoch begrenzt. Darum ist es wichtig sich auf die Daten zu konzentrieren, welche tatsächlich Einfluss auf die Performance eines Unternehmens haben bzw. für geschäftsrelevante Datenprodukte verwendet werden können.

Wieviele Berichte, die nicht geschäftsrelevant sind, kennen Sie in Ihrem Unternehmen?

These 2: Nicht alle Daten sind gleich

Vielen (Controllern, Analysten, …) kommt bei Daten immer als erstes eine Tabelle mit Spalten und Zeilen in den Sinn. Wohlstrukturiert, sauber in einer Datenbank abgelegt, welche sich um die Integrität kümmert. Perfekt für jede Analyse. 

Daten sind vielfältig. Neben dem inhaltlichen Aspekt unterscheiden sie sich noch unter anderen Gesichtspunkten. Um Informationen aus ihnen zu generieren, sind unterschiedliche – mehr oder weniger komplexe – Methoden notwendig (von der einfachen Aggregation oder Filterung, bis zu statistischen Verfahren und komplexen Algorithmen).

Die meisten vorhandenen Daten sind nicht strukturiert. Sie liegen nicht in einer Tabelle vor, sondern z.B. in Textform. Selbst strukturierte Daten sind nicht immer konsistent. Sie können von unterschiedlicher Qualität sein. Fehler können sich u.a. sowohl bei der Erfassung, als auch der Zusammenführung von Daten einschleichen. Dies hat wiederum Einfluss auf Informationsgehalt und Auswertungsmöglichkeiten.

Meist sind nicht alle benötigten Daten direkt verfügbar bzw. in der Form, in der sie benötigt werden. Teilweise müssen sie aus bestehenden Daten abgeleitet (bspw. Forecasts) oder komplett neu erzeugt werden (bspw. aus Kundeninterviews).

Dazu kommen noch technische Herausforderungen. So ist es oftmals der Fall, dass Daten, die eigentlich v.a. zusammengeführt Mehrwert liefern, in verteilten Systemen/ auf unterschiedlichen Medien bzw. in unterschiedlichen Formaten vorliegen (bspw. Verkaufszahlen aus dem ERP-System und Kundenzufriedenheitsdaten aus/ auf Interviewfragebögen).

Gibt es in Ihrem Unternehmen genug Wissen bzgl. vorhandener Daten und die Möglichkeiten zur Verwendung dieser?

These 3: Daten können überzeugen, müssen sie aber nicht

Wie viele Daten und Statistiken kennen Sie, die einfach ignoriert werden?

• Lotto spielen, obwohl die Wahrscheinlichkeit eines Gewinns gering ist
• Rauchen, obwohl das Risiko einer Erkrankung höher ist
• Telefonieren beim Autofahren, obwohl das Unfallrisiko größer ist

Wahrscheinlich fallen Ihnen weitere Beispiele aus Ihrem persönlichen Alltag ein. Auch in Unternehmen werden oft zahlreiche Auswertungen erstellt und fristen danach ein einsames Dasein. Sie werden abgelegt. Ignoriert.

Daten für sich allein schaffen es also oft nicht eine Reaktion auszulösen. Es sind weitere Elemente nötig, um durch sie Veränderungen im Verhalten von Menschen anzustoßen. Hier spielen Elemente wie „Datenvisualisierung“ („Ein Bild sagt mehr als 1.000 Worte“) oder „Storytelling“ (wir alle lieben gute Geschichten) eine zentrale Rolle.

Wie viele Analysen, die keine Maßnahmen anstoßen, kennen Sie in Ihrem Unternehmen?

Was nun?

Der nächste Beitrag in dieser Serie, geht im Detail auf die Elemente ein, welche – abgeleitet von den 3 Thesen zu Daten – das Fundament für eine erfolgreiche Nutzung von Daten bilden.

Bis dahin möchte ich Ihnen neben den im Beitrag angeführten Leitfragen, noch die Folgenden mitgeben:

Wieviel Industrie- bzw. fachliches Know-how haben Sie als Datenspezialist bzw. die Datenspezialisten in Ihrem Unternehmen?

Wieviel Daten-Know-how haben Sie als Fachbereich bzw. hat der Fachbereich in Ihrem Unternehmen?

Wieviel Know-how haben Sie bzw. Ihr Unternehmen bzgl. neuer Technologien und Methoden zur Verarbeitung und Analyse von Daten?